一種基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法
【專利摘要】本發(fā)明公開了一種基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，首先從網(wǎng)絡(luò)中抓取基本面信息，在此基礎(chǔ)上構(gòu)建網(wǎng)絡(luò)節(jié)點(diǎn)和網(wǎng)絡(luò)連接，構(gòu)建復(fù)雜社會(huì)網(wǎng)絡(luò)模型；利用網(wǎng)絡(luò)分析的方法選擇投資組合，再把投資組合所涉及的數(shù)據(jù)輸入到多模型融合框架中；所述的多模型融合框架包括多個(gè)子模型，每個(gè)子模型針對(duì)從網(wǎng)絡(luò)中抓取的不同特征的技術(shù)面信息，分別進(jìn)行不同特點(diǎn)的市場趨勢預(yù)測，生成各自的預(yù)測值，再將預(yù)測值加權(quán)求和，得到綜合的市場趨勢預(yù)測值，根據(jù)該值生成相應(yīng)的投資策略。本發(fā)明從多元性的角度綜合考慮了一般研究中被忽略的投資組合風(fēng)險(xiǎn)因素，以及通過基本面的預(yù)選降維數(shù)據(jù)和技術(shù)面的特征選擇方法保證了決策的實(shí)時(shí)性要求，以提供更加可靠的投資策略。
【專利說明】一種基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于股市投資策略分析【技術(shù)領(lǐng)域】，涉及一種基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法。
【背景技術(shù)】
[0002]金融市場是國家經(jīng)濟(jì)運(yùn)行的核心，因此，證券投資策略問題一直是各國投資理論界與投資實(shí)務(wù)界最為關(guān)注的核心問題之一，證券投資策略反映了我們基于對(duì)金融市場規(guī)律和投資者心理的認(rèn)識(shí)，是根據(jù)投資目標(biāo)指定的指導(dǎo)投資行為的規(guī)則體系和行動(dòng)計(jì)劃方案。其中，技術(shù)分析和基本面分析方法是兩種主要的投資分析方法。其中技術(shù)分析主要應(yīng)用于具體投資操作的時(shí)間和空間判斷上，基本面分析則主要應(yīng)用于投資標(biāo)的物的選擇上，作為提高投資分析有效性和可靠性的重要手段。
[0003]隨著互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，大量與金融市場相關(guān)的信息在互聯(lián)網(wǎng)上傳播，這些實(shí)時(shí)信息規(guī)模巨大、形式多樣，其中隱含著重要的、與投資決策相關(guān)的信息。如何綜合利用信息進(jìn)行市場預(yù)測和分析是金融市場投資決策中的重要問題。
[0004]近年來，有許多研究者對(duì)投資決策方法問題進(jìn)行了一系列的研究。其中一個(gè)比較新的研究方向是分析文本信息與股票價(jià)格之間的關(guān)系。例如著名的亞利桑納州立大學(xué)研發(fā)了 Arizona Financial Text系統(tǒng),通過對(duì)財(cái)經(jīng)新聞和有關(guān)股票價(jià)格的文章進(jìn)行分析并預(yù)測；在最近的2009年，Schumaker的研究團(tuán)隊(duì)分析了通過財(cái)經(jīng)新聞消息利用基于文本的系統(tǒng)進(jìn)行預(yù)測的可行性，并給出了肯定的結(jié)論；Nizer的研究團(tuán)隊(duì)在2012年進(jìn)一步地對(duì)識(shí)別哪些新聞對(duì)股市產(chǎn)生可見的影響進(jìn)行了研究。研究結(jié)果都表明，采用自動(dòng)分析方法指導(dǎo)的投資策略可以獲得超額利潤。但是注意到，這些基于文本分析的研究所提供的分析方法利用的信息有限，局限于金融新聞這樣的有強(qiáng)情感傾向性的文本。事實(shí)上，在這些基于文本分析的決策方法中，又通常忽略了在技術(shù)分析中使用的數(shù)據(jù)信息(如股價(jià)和股指)，這些預(yù)測和分析方法顯然是使用不全面的信息的方法。
[0005]另一方面，對(duì)傳統(tǒng)的分析方法(即股價(jià)預(yù)測方法)的研究進(jìn)行已久，并已有一系列比較成熟的研究成果。MIT金融專家羅耀宗說:“技術(shù)分析是一個(gè)從市場價(jià)格中擷取出有用資訊的有效方法?！泵绹?lián)邦準(zhǔn)備理事會(huì)和學(xué)術(shù)界里也有一些研究表示，支持技術(shù)分析的證據(jù)是存在著的。國內(nèi)例如最近劉海玥(2011)、江龍(2012)、鄭曉薇(2013)的研究團(tuán)隊(duì)分別從神經(jīng)網(wǎng)絡(luò)、灰色RBF網(wǎng)絡(luò)和LSSVM方法對(duì)股價(jià)趨勢變化規(guī)律進(jìn)行建模和預(yù)測，也都取得了較理想的成果。但是，這些預(yù)測方法是基于歷史數(shù)據(jù)的規(guī)律進(jìn)行預(yù)測分析，屬于技術(shù)分析的思想，其理論為效率市場假說所反駁，而且其利用的信息也有限。并且傳統(tǒng)的研究只考慮預(yù)測準(zhǔn)確率，而考慮到實(shí)際的股價(jià)頻繁波動(dòng)情況，準(zhǔn)確率并不能直接對(duì)應(yīng)實(shí)際投資收益，甚至高預(yù)測準(zhǔn)確率也可能帶來負(fù)收益的結(jié)果，此外，這樣的投資組合可能帶來較高的投資風(fēng)險(xiǎn)。
[0006]同時(shí)，傳統(tǒng)的股票價(jià)格趨勢分析與預(yù)測方法并沒有考慮數(shù)據(jù)的規(guī)模和時(shí)效性，因此使用的信息量十分有限，在大數(shù)據(jù)量下進(jìn)行預(yù)測時(shí)訓(xùn)練耗時(shí)十分大，考慮到實(shí)際投資決策時(shí)的實(shí)時(shí)性要求，已經(jīng)無法適應(yīng)網(wǎng)絡(luò)環(huán)境中、海量數(shù)據(jù)規(guī)模下的股票市場分析和預(yù)測要求。而且，現(xiàn)有的股票預(yù)測多忽略股票間的相關(guān)關(guān)系，認(rèn)為股票直接的價(jià)格變化是相互獨(dú)立的，在此基礎(chǔ)上進(jìn)行股價(jià)趨勢變化的規(guī)律研究和分析，這種簡化假設(shè)明顯違背了我們對(duì)金融市場的一般認(rèn)識(shí)，因?yàn)楦鞴善彼鶎?duì)應(yīng)的上市公司之間是相互有聯(lián)系的，會(huì)受到彼此的影響與作用。
[0007]如前所述，技術(shù)分析主要應(yīng)用于具體投資操作的時(shí)間和空間判斷上，基本面分析則主要應(yīng)用于投資標(biāo)的物的選擇上，作為提高投資分析有效性和可靠性的重要手段。

【發(fā)明內(nèi)容】

[0008]本發(fā)明解決的問題在于提供一種基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，綜合利用了基本面分析和技術(shù)面分析進(jìn)行市場投資決策，能夠有效的降低投資風(fēng)險(xiǎn)，提高投資收益。
[0009]本發(fā)明是通過以下技術(shù)方案來實(shí)現(xiàn):
[0010]一種基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，包括以下操作:
[0011]首先從網(wǎng)絡(luò)中抓取基本面信息，在此基礎(chǔ)上構(gòu)建網(wǎng)絡(luò)節(jié)點(diǎn)和網(wǎng)絡(luò)連接，構(gòu)建復(fù)雜社會(huì)網(wǎng)絡(luò)模型；利用網(wǎng)絡(luò)分析的方法選擇投資組合，再把投資組合所涉及的數(shù)據(jù)輸入到多模型融合框架中；
[0012]所述的多模型融合框架包括多個(gè)子模型，每個(gè)子模型針對(duì)從網(wǎng)絡(luò)中抓取的不同特征的技術(shù)面信息，分別進(jìn)行不同特點(diǎn)的市場趨勢預(yù)測，生成各自的預(yù)測值，再將預(yù)測值加權(quán)求和，得到綜合的市場趨勢預(yù)測值，根據(jù)該值生成相應(yīng)的投資策略；
[0013]向子模型提供信息的特征選擇器、子模型涉及的參數(shù)、子模型的預(yù)測值的權(quán)重均通過單變量分布估計(jì)算法進(jìn)行封裝訓(xùn)練。
[0014]所述的復(fù)雜社會(huì)網(wǎng)絡(luò)模型的構(gòu)建包括以下操作:
[0015]1.1)網(wǎng)絡(luò)節(jié)點(diǎn)
[0016]向量空間模型中，從網(wǎng)絡(luò)中抓取的基本面信息文本以二元特征向量模式的詞袋表示，如下所示:
[0017]Infi = (〈t” wn>, <t2, wi2>,...<tM, wiM>)
[0018]其中M是特征的數(shù)量，wik是文本特征tk權(quán)值,通過tf*idf方法計(jì)算權(quán)值,對(duì)固定特征化簡為 infi = (wn, wi2,...wiM)；
[0019]對(duì)利用數(shù)據(jù)挖掘的方法從網(wǎng)絡(luò)中獲得的基本面信息中的文本進(jìn)行如下操作:
[0020]I)過濾:濾掉信息中無用的部分；
[0021]2)分詞:將經(jīng)過過濾的信息分割成多個(gè)詞匯，將分詞后的結(jié)果存入詞匯庫中，標(biāo)識(shí)詞匯的詞性；
[0022]3)對(duì)詞匯庫中的詞匯進(jìn)行進(jìn)一步的停詞處理，包括去除虛詞并綁定否定詞；
[0023]獲取基本面信息當(dāng)中的文本特征后，進(jìn)行其權(quán)值的計(jì)算，將基本面信息整理成向量空間模型，對(duì)于時(shí)變的信息，該向量空間模型則成為一時(shí)變向量:
[0024]infi(t) = (Wil (t), wi2(t),...wiM(t)),其中 t 為時(shí)間變量；
[0025]1.2)網(wǎng)絡(luò)連接
[0026]對(duì)網(wǎng)絡(luò)G(t) = (V(t)，E(t))，用上市公司的基本面信息對(duì)其作為網(wǎng)絡(luò)節(jié)點(diǎn)建模，即有 V(t) = {infi (t)},E(t) = {(i, j, edgij(t)) | i, j e V (t)}；[0027]V(t)為利用基本面信息所構(gòu)建的網(wǎng)絡(luò)節(jié)點(diǎn)的集合，E(t)為網(wǎng)絡(luò)節(jié)點(diǎn)當(dāng)中的兩個(gè)節(jié)點(diǎn)1、j以及它們之間的連接強(qiáng)度edgijU)的集合；
[0028]使用余弦相似度
【權(quán)利要求】
1.一種基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，其他在在于，包括以下操作: 首先從網(wǎng)絡(luò)中抓取基本面信息，在此基礎(chǔ)上構(gòu)建網(wǎng)絡(luò)節(jié)點(diǎn)和網(wǎng)絡(luò)連接，構(gòu)建復(fù)雜社會(huì)網(wǎng)絡(luò)模型；利用網(wǎng)絡(luò)分析的方法選擇投資組合，再把投資組合所涉及的數(shù)據(jù)輸入到多模型融合框架中； 所述的多模型融合框架包括多個(gè)子模型，每個(gè)子模型針對(duì)從網(wǎng)絡(luò)中抓取的不同特征的技術(shù)面信息，分別進(jìn)行不同特點(diǎn)的市場趨勢預(yù)測，生成各自的預(yù)測值，再將預(yù)測值加權(quán)求和，得到綜合的市場趨勢預(yù)測值，根據(jù)該值生成相應(yīng)的投資策略； 向子模型提供信息的特征選擇器、子模型涉及的參數(shù)、子模型的預(yù)測值的權(quán)重均通過單變量分布估計(jì)算法進(jìn)行封裝訓(xùn)練。
2.權(quán)利要求1所述的基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，其特征在于，所述的復(fù)雜社 會(huì)網(wǎng)絡(luò)模型的構(gòu)建包括以下操作: `1.D網(wǎng)絡(luò)節(jié)點(diǎn) 向量空間模型中，從網(wǎng)絡(luò)中抓取的基本面信息文本以二元特征向量模式的詞袋表示，如下所示:
infi 一(〈t” Wn〉，〈t2，Wi2〉，...〈tj(，WiM〉) 其中M是特征的數(shù)量，Wik是文本特征tk權(quán)值,通過tf*idf方法計(jì)算權(quán)值,對(duì)固定特征化簡為 Infi = (wn, wi2,...wiM)； 對(duì)利用數(shù)據(jù)挖掘的方法從網(wǎng)絡(luò)中獲得的基本面信息中的文本進(jìn)行如下操作: ` 1)過濾:濾掉信息中無用的部分； `2)分詞:將經(jīng)過過濾的信息分割成多個(gè)詞匯，將分詞后的結(jié)果存入詞匯庫中，標(biāo)識(shí)詞匯的詞性； `3)對(duì)詞匯庫中的詞匯進(jìn)行進(jìn)一步的停詞處理，包括去除虛詞并綁定否定詞； 獲取基本面信息當(dāng)中的文本特征后，進(jìn)行其權(quán)值的計(jì)算，將基本面信息整理成向量空間模型，對(duì)于時(shí)變的信息，該向量空間模型則成為一時(shí)變向量:
Infi (t) = (wn (t), wi2(t),...wiM(t)),其中 t 為時(shí)間變量; `1.2)網(wǎng)絡(luò)連接 對(duì)網(wǎng)絡(luò)G(t) = (V(t)，E(t))，用上市公司的基本面信息對(duì)其作為網(wǎng)絡(luò)節(jié)點(diǎn)建模，即有V (t) = Unfi ⑴}，E (t) = {(i, j, edg^.(t)) | i, j e V (t)}； V(t)為利用基本面信息所構(gòu)建的網(wǎng)絡(luò)節(jié)點(diǎn)的集合，E(t)為網(wǎng)絡(luò)節(jié)點(diǎn)當(dāng)中的兩個(gè)節(jié)點(diǎn)`1、j以及它們之間的連接強(qiáng)度edgijU)的集合；

Σ wJOwjM 使用余弦相似度Cosimfi(I),infβ)) ==.....................................-計(jì)算網(wǎng)絡(luò)連

\ ln^接強(qiáng)度，其中Tm為基本面信息文本特征的全集，并使用閾值Θ進(jìn)行過濾，即有 _ J O ,Cos(MfXt)Jnf ^t)) <θ?！発n/f、^cm(inft(t)Jnf^t)) ,cosihif^tXinf^t)) > Θ * θ 取 cos45 ，以如infjt) = (wn(t), wi2(t),...wiM(t))所示的向量空間模型描述網(wǎng)絡(luò)節(jié)點(diǎn),構(gòu)建成所需要的網(wǎng)絡(luò)節(jié)點(diǎn)；
再將網(wǎng)絡(luò)節(jié)點(diǎn)按照如 V(t) = {infi (t)},E(t) = {(i, j, edgij(t)) | i, j e V (t)}所示的網(wǎng)絡(luò)連接方式連接，從而復(fù)雜社會(huì)網(wǎng)絡(luò)模型，該模型是一個(gè)動(dòng)態(tài)的網(wǎng)絡(luò)模型。
3.權(quán)利要求1所述的基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，其特征在于，所述利用網(wǎng)絡(luò)分析方法選擇投資組合是選擇最相互無關(guān)的股票組成投資組合，包括以下基于社團(tuán)檢測聚類的多元性劃分方法: 使用社團(tuán)檢測方法進(jìn)行劃分，使用Girvan-Newman聚類方法進(jìn)行網(wǎng)絡(luò)聚類，其評(píng)價(jià)指標(biāo)為模塊度
4.權(quán)利要求1所述的基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，其特征在于，所述利用網(wǎng)絡(luò)分析方法選擇投資組合是選擇最相互無關(guān)的股票組成投資組合，包括以下基于最大全連通無關(guān)子網(wǎng)的多元性分割方法: 采用Bron - Kerbosch算法提取補(bǔ)網(wǎng)中的最大全連接子網(wǎng)，其基礎(chǔ)形式是一個(gè)遞歸回溯的搜索算法，流程如下: Bron-Kerbosch 算法: Stepl:給定三個(gè)集合(R，P，X)，初始化集合R，X分別為空，而集合P為所有網(wǎng)絡(luò)節(jié)點(diǎn)的集合； Step2:若集合P，X分別為空，則輸出R為最大團(tuán)； Step3:對(duì)于每一個(gè)從集合P中取得得網(wǎng)絡(luò)節(jié)點(diǎn){v}，有如下處理: 1)將網(wǎng)絡(luò)節(jié)點(diǎn)M加到集合R中，集合P，X與網(wǎng)絡(luò)節(jié)點(diǎn)M得鄰接網(wǎng)絡(luò)節(jié)點(diǎn)集合N{v}相交，之后遞歸集合R，P，X (轉(zhuǎn)St印2)； 2)從集合P中刪除網(wǎng)絡(luò)節(jié)點(diǎn)Ιν}，并將網(wǎng)絡(luò)節(jié)點(diǎn)M添加到集合X中； 此時(shí)基本面分析選擇投資組合的策略模型表示為:/F鄭)= {JWT(G(if))h即按照Bron-Kerbosch算法生成的補(bǔ)網(wǎng)中的最大全連接子網(wǎng)。
5.權(quán)利要求1所述的基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，其特征在于，所述的多模型融合的框架是把一個(gè)復(fù)雜的系統(tǒng)化為若干個(gè)子系統(tǒng)，一個(gè)子系統(tǒng)對(duì)應(yīng)一個(gè)子模型，然后將這些子系統(tǒng)對(duì)應(yīng)的子模型組合起來共同描述同一個(gè)模型以提高模型擬合度；所述子模型連接方法采用加權(quán)求和方式，將每一個(gè)子模型的輸出按一定的權(quán)值進(jìn)行求和，得到最終的輸出； 所述的子模型是可加減或替換的，經(jīng)過基本數(shù)據(jù)的訓(xùn)練，整體模型會(huì)通過調(diào)節(jié)自身子模型權(quán)值大小對(duì)預(yù)測模型進(jìn)行自適應(yīng)的選擇； 所述的的子模型包括以下幾種: 1)基于矢量符號(hào)序列的趨勢預(yù)測方法 首先采用最小二乘擬合法對(duì)歷史股價(jià)數(shù)據(jù)進(jìn)行矢量化，若定義第Xi日的價(jià)格為Yi，最


小化η日的誤差
6.權(quán)利要求5所述的基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，其特征在于，所述的聚類算法中，把各個(gè)趨勢矢量用其所在的聚類中心所對(duì)應(yīng)的矢量代替，而該矢量表征了趨勢的類型，若將其表征為符號(hào)，則最終可以將連續(xù)變化的趨勢矢量離散化成一系列符號(hào)序列；使用股票的交易日、開盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)、成交量和成交額作為技術(shù)分析的主要數(shù)據(jù)，股票S的歷史信息表示為符號(hào)序列
7.權(quán)利要求5所述的基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，其特征在于，所述的時(shí)間序列波動(dòng)特征點(diǎn)提取算法的步驟如下: 第一步:輸入待提取序列的起點(diǎn)坐標(biāo)start和終點(diǎn)坐標(biāo)end,判斷start與end間的距離是否滿足子序列小于最小區(qū)間長度，若滿足則轉(zhuǎn)第三步；若不滿足則按波動(dòng)特征點(diǎn)的定義尋找起點(diǎn)與終點(diǎn)間VD值最大的點(diǎn)，若VD大于算法幅度的終止條件，則將該點(diǎn)作為波動(dòng)特征點(diǎn)加入到波動(dòng)特征點(diǎn)結(jié)果序列中，并將該點(diǎn)記做fp ; 第二步:用fp將原序列劃分成兩段，即start到fp子段、fp到end子段，對(duì)這兩個(gè)子段執(zhí)行第一步； 第三步:將波動(dòng)特征點(diǎn)結(jié)果序列按時(shí)間排序后保存與輸出； 第四步:基于轉(zhuǎn)折點(diǎn)判定最小時(shí)間間隔閾值，用最大/最小值原則在波動(dòng)特征點(diǎn)結(jié)果序列上提取出轉(zhuǎn)折點(diǎn)種子集； 第五步:基于轉(zhuǎn)折點(diǎn)種子集，在任意的兩個(gè)連續(xù)轉(zhuǎn)折點(diǎn)之間基于波動(dòng)特征點(diǎn)序列用反向波幅最大原則尋找轉(zhuǎn)折 點(diǎn)，并加入到轉(zhuǎn)折點(diǎn)種子集中，重復(fù)上述操作，直到按設(shè)定的轉(zhuǎn)折點(diǎn)提取參數(shù)無法再找到新的轉(zhuǎn)折點(diǎn)為止； 第六步:將轉(zhuǎn)折點(diǎn)種子 集按時(shí)間排序后保存與輸出； 以上抽取的轉(zhuǎn)折點(diǎn)種子則表征了較大時(shí)間尺度下的股價(jià)變化趨勢，通過神經(jīng)網(wǎng)絡(luò)或者支持向量機(jī)等機(jī)器學(xué)習(xí)方法進(jìn)行訓(xùn)練，得到最優(yōu)分類器，則該分類器可以自動(dòng)地對(duì)新數(shù)據(jù)進(jìn)行分類，輸出對(duì)應(yīng)日期是否轉(zhuǎn)折點(diǎn)，即對(duì)未來趨勢預(yù)測的結(jié)果，將最近轉(zhuǎn)折點(diǎn)對(duì)應(yīng)的趨勢預(yù)測值即為最終趨勢的預(yù)測值。
8.權(quán)利要求5所述的基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，其特征在于，所述的基于詞匯情感傾向性判定的投資推薦算法采用SWSOA算法，該算法從SORN最大連通子圖的任何一個(gè)節(jié)點(diǎn)開始，便對(duì)該子圖中的所有節(jié)點(diǎn)進(jìn)行情感傾向性分類；SWS0A算法的輸入為一個(gè)具體的S0RN，將該算法表示成函數(shù)SWSOA (SORN)，其中SORN表示SORN變量； 該算法的具體步驟如下: 步驟1.利用廣度優(yōu)先遍歷算法獲得SORN的最大連通子圖Gs，Gs中包含的詞匯節(jié)點(diǎn)組成的集合被記為Wes ； 步驟2.指定Wgs中的任意一個(gè)節(jié)點(diǎn)Wi，且使得Wgs = Wgs- {wj，U = {wj和F=0; 步驟3.計(jì)算D(i)來獲得Wi到Wes中任意節(jié)點(diǎn)的最少噪聲路徑； 步驟4.對(duì)Wes中的每一個(gè)詞匯節(jié)點(diǎn)Wj,執(zhí)行a)~c): a)依據(jù)D(i)中的D(i,j),計(jì)算從Wi到Wj的最少噪聲路徑上經(jīng)過的轉(zhuǎn)折

關(guān)系邊的數(shù)量
9.權(quán)利要求5所述的基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，其特征在于，考慮到多模型融合使得整個(gè)模型的計(jì)算量和復(fù)雜度，還包括基于單變量分布估計(jì)封裝方法的訓(xùn)練、優(yōu)化和特征選擇方法: 所述的單變量分布估計(jì)算法，針對(duì)數(shù)據(jù)，算法中用一個(gè)n (n = N+Dim)維染色體進(jìn)行編碼；染色體分為兩個(gè)部分，第一部分是被封裝算法參數(shù)編碼部分，共N位二進(jìn)制碼；并且啟用精英保留過程，并對(duì)每只股票分別存儲(chǔ)歷史最優(yōu)值進(jìn)行初始化以提高尋優(yōu)效率，保證技術(shù)分析過程的實(shí)時(shí)性:對(duì)種群q(t)，t為時(shí)間變量，設(shè)其是一個(gè)m*n階矩陣，記錄了按照適應(yīng)度值Q9從高到低排列的染色體，前r行[qi q2…qJT被作為精英保留下來，則估計(jì)的分布概率矩陣為
10.權(quán)利要求1所述的基于網(wǎng)絡(luò)分析和多模型融合的股市投資決策方法，其特征在于，所述的利用綜合的市場趨勢預(yù)測值設(shè)計(jì)綜合投資策略是基于以下修正因子:

【文檔編號(hào)】H04L29/06GK103985055SQ201410240496
【公開日】2014年8月13日 申請(qǐng)日期:2014年5月30日 優(yōu)先權(quán)日:2014年5月30日
【發(fā)明者】彭勤科, 鐘韜, 關(guān)新宇, 王曉, 秦小雨, 朱志博, 孫智 申請(qǐng)人:西安交通大學(xué)